一种导购方法及系统技术方案

本发明专利技术提供一种导购方法及系统，所述方法包括：S1，根据用户输入或选择的商品信息，获取所述商品信息对应的各待推荐商品；S2，使用预先训练好的深度学习模型，对各所述待推荐商品的评论进行情感分类；S3，根据各所述待推荐商品所属的情感类别对应的情感分数对预先获取的市场调研分数进行优化，获取各所述待推荐商品的最终得分，根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品。本发明专利技术提高了商品导购的精度。

【技术实现步骤摘要】
一种导购方法及系统
本专利技术属于电子商务领域，更具体地，涉及一种导购方法及系统。
技术介绍
随着电子商务的飞速发展，消费者的购物习惯逐渐从线下实体购物扩散至网上购物。由于消费者网上购物的选择很多，从而催生了电子商务导购这个中间业务，从而节约消费者选购商品的时间以及在尽量短的时间内购得性价比较高的商品。目前已有的导购系统实时收集商品数据、消费者购买商品的数据和其他相关数据，应用传统的数据挖掘技术，对当前用户的需求进行预测，根据预测结果以合适的方式向用户推荐合适的产品。现有的导购系统需要借助于正负词库对商品评论进行情感语义分析，导致对用户需要的预测误差大。
技术实现思路
为克服上述电子商务导购中对用户需求的预测误差大的问题或者至少部分地解决上述问题，本专利技术提供了一种导购方法及系统。根据本专利技术的第一方面，提供一种导购方法，包括：S1，根据用户输入或选择的商品信息，获取所述商品信息对应的各待推荐商品；S2，使用预先训练好的深度学习模型，对各所述待推荐商品的评论进行情感分类；S3，根据各所述待推荐商品所属的情感类别对应的情感分数对预先获取的市场调研分数进行优化，获取各所述待推荐商品的最终得分，根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品。具体地，所述步骤S2具体包括：S21，对各所述评论进行分词，生成词向量；S22，根据所述词向量中的形容词和副词，使用LSTM神经网络模型对各所述评论进行情感分类。具体地，所述步骤S3具体包括：S31，根据所述词向量中的名词，对各所述评论进行指标分类；S32，根据各所述评论所属的情感类别对应的情感分数，获取各所述待推荐商品针对同一指标的评论的情感平均分；S33，根据各所述待推荐商品的各指标对应的情感平均分对各所述待推荐商品的各指标对应的市场调研分数进行优化，获取各所述待推荐商品的最终得分；S34，根据各所述待推荐商品的最终得分，向所述用户推荐所述待推荐商品。具体地，所述步骤S33具体包括：S331，将各所述待推荐商品的各指标对应的情感平均分和市场调研分数进行比较，确定各所述待推荐商品的各指标对应的最终分数；S332，根据各所述待推荐商品的各指标对应的权值和最终分数，获取各所述待推荐商品的最终得分。具体地，所述步骤S331具体包括：获取各所述待推荐商品的各指标对应的情感平均分和市场调研分数之间的差值；若所述差值小于预设阈值，则将各所述待推荐商品的各指标对应的情感平均分和市场调研分数的平均值作为各所述待推荐商品的各指标对应的最终分数；或者，若所述差值大于或等于所述预设阈值，则根据各所述待推荐商品的销售曲线和价格曲线，将各所述待推荐商品的各指标对应的情感平均分或市场调研分数作为各所述待推荐商品的各指标对应的最终分数。具体地，所述步骤S3中根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品的步骤具体包括：对各所述待推荐商品的最终得分进行排序，将所述最终得分最高的预设数量的所述待推荐商品推荐给所述用户。具体地，所述步骤S3之后还包括：对于推荐给所述用户的每件所述待推荐商品，获取该待推荐商品的每种情感类别对应的评论条数与该待推荐商品的所有评论条数之间的比值；将该待推荐商品的各情感类别对应的比值进行显示。根据本专利技术的第二方面，提供一种导购系统，包括：获取模块，用于根据用户输入或选择的商品信息，获取所述商品信息对应的各待推荐商品；分类模块，用于使用已经训练好的神经网络模型，对各所述待推荐商品的评论进行情感分类；推荐模块，用于根据情感分类的结果，获取各所述待推荐商品的最终得分，根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品。根据本专利技术的第三方面，提供一种导购设备，包括：至少一个处理器、至少一个存储器和总线；其中，所述处理器和存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如前所述的方法。根据本专利技术的第四方面，提供一种非暂态计算机可读存储介质，用于存储如前所述方法的计算机程序。本专利技术提供一种导购方法及系统，该方法通过使用深度学习模型对各待推荐商品的评论自动进行情感分类，并根据每种所述情感类别对应情感分数对预先获取的市场调研分数进行优化，获取各所述待推荐商品的最终得分，根据最终得分向用户推荐所述待推荐商品，从而提高了商品导购的精度。附图说明图1为本专利技术实施例提供的导购方法整体流程示意图；图2为本专利技术实施例提供的导购系统整体结构示意图；图3为本专利技术实施例提供的导购设备整体结构示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。在本专利技术的一个实施例中提供一种导购方法，图1为本专利技术实施例提供的导购方法整体流程示意图，该方法包括：S1，根据用户输入或选择的商品信息，获取所述商品信息对应的各待推荐商品；S2，使用预先训练好的深度学习模型，对各所述待推荐商品的评论进行情感分类；S3，根据各所述待推荐商品所属的情感类别对应的情感分数，获取各所述待推荐商品的最终得分，根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品。具体地，S1中，当用户在网上购物时，可以输入或选择需要购买商品的类别、名称、品牌、尺寸和颜色等。例如，用户需要买一个女士单肩包，所述用户输入或选择女士单肩包的商品信息，系统会提取特征值包、女和单肩，然后从本地库中搜索出具有所述特征值的待推荐商品。所述本地库中存储有系统从各大主流电子商务网站中获取的商品数据，主要包括商品的名称、价格、销量、品牌、图片、基本描述和评论等。然后对获取的商品数据进行清洗，如去除无效数据，按特定格式截取所需数据。将清洗后的商品数据进行存储，如商品的元数据。所述价格会根据时间形成一条价格曲线，根据价格曲线可以清楚地展示商品价格的变化。所述本地库中存储的商品信息主要通过Python爬取网页商品的相关信息。S2中，使用历史商品数据预先对深度学习模型进行训练，使用预先训练好的深度学习模型对各所述待推荐商品的评论进行情感分类，所述情感分类是指根据各所述待推荐商品的评论所属的情感类别对所述评论进行分类，从而实现对商品评论的语义文本分析。所述深度学习模型对自然语言的处理比传统模型更精确，本实施例不限于所述深度学习模型的类型。所述情感类别包括强正面、弱正面、中性、弱负面和强负面。S3中，预先对每种所述情感类别设置有对应的情感分数，根据各所述待推荐商品所属情感类别对应的情感分数对预先获取的市场调研分数进行优化，获取各所述待推荐商品的最终得分。所述最终分数越高，所述待推荐商品的性价比也越高。根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品。所述市场调研分数根据市场调研生成，市场调研获取的正面数据对应的市场调研分数为正值，相反为负值。同时，系统提供看板以展示推荐的所述待推荐商品的一些其他数据。本实施例通过使用深度学习模型对各待推荐商品的评论自动进行情感分类，并根据每种所述情感类别对应情感分数对预先获取的市场调研分数进行优化，获取各所述待推荐商品的最终得分，根据最终得分向用户推荐所述待推荐商品，从而提高了商品导购的精度。在上述实施例的基础上，本实施例中所述步骤S2具体包括：S21，对各所述评论进行本文档来自技高网...

【技术保护点】
1.一种导购方法，其特征在于，包括：S1，根据用户输入或选择的商品信息，获取所述商品信息对应的各待推荐商品；S2，使用预先训练好的深度学习模型，对各所述待推荐商品的评论进行情感分类；S3，根据各所述待推荐商品所属的情感类别对应的情感分数对预先获取的市场调研分数进行优化，获取各所述待推荐商品的最终得分，根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品。

【技术特征摘要】
1.一种导购方法，其特征在于，包括：S1，根据用户输入或选择的商品信息，获取所述商品信息对应的各待推荐商品；S2，使用预先训练好的深度学习模型，对各所述待推荐商品的评论进行情感分类；S3，根据各所述待推荐商品所属的情感类别对应的情感分数对预先获取的市场调研分数进行优化，获取各所述待推荐商品的最终得分，根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品。2.根据权利要求1所述的方法，其特征在于，所述步骤S2具体包括：S21，对各所述评论进行分词，生成词向量；S22，根据所述词向量中的形容词和副词，使用LSTM神经网络模型对各所述评论进行情感分类。3.根据权利要求1所述的方法，其特征在于，所述步骤S3具体包括：S31，根据所述词向量中的名词，对各所述评论进行指标分类；S32，根据各所述评论所属的情感类别对应的情感分数，获取各所述待推荐商品针对同一指标的评论的情感平均分；S33，根据各所述待推荐商品的各指标对应的情感平均分对各所述待推荐商品的各指标对应的市场调研分数进行优化，获取各所述待推荐商品的最终得分；S34，根据各所述待推荐商品的最终得分，向所述用户推荐所述待推荐商品。4.根据权利要求3所述的方法，其特征在于，所述步骤S33具体包括：S331，将各所述待推荐商品的各指标对应的情感平均分和市场调研分数进行比较，确定各所述待推荐商品的各指标对应的最终分数；S332，根据各所述待推荐商品的各指标对应的权值和最终分数，获取各所述待推荐商品的最终得分。5.根据权利要求4所述的方法，其特征在于，所述步骤S331具体包括：获取各所述待推荐商品的各指标对应的情感平均分和市场调研分数之间的差值；若所述差值小于预设阈值，则将各所述待推荐商品的各指...

【专利技术属性】
技术研发人员：王泽，关健，
申请(专利权)人：武汉璞华大数据技术有限公司，
类型：发明
国别省市：湖北,42